在数据量庞大的情况下，BI 报表的查询速度会明显下降。针对这种场景，可以从哪些方面着手进行性能优化？请给出具体的方法。
考察说明
考查候选人对 BI 报表性能优化方法的掌握程度，以及在实际大数据量场景下的解决问题的能力。
回答思路
- 【回答框架 1】从数据模型层面优化，包括数据分层、合理设计星型或雪花型模型、使用汇总表或物化视图，减少扫描数据量。
- 【回答框架 2】从存储和计算层面优化，如利用列式存储（如 Parquet、ORC），结合分区和分桶裁剪数据，应用索引（如 Bitmap 索引）减少 IO。
- 【回答框架 3】从查询层面优化，改写 SQL 以减少子查询和笛卡尔积，限制返回行数，使用聚合下推或谓词下推，避免全表扫描。
- 【回答框架 4】从调度和缓存层面优化，提前预计算常用指标，使用结果集缓存或内存缓存（如 Redis），并在数据更新后异步刷新缓存。
- 【回答框架 5】从资源与硬件层面优化，增加计算节点的并行度，合理配置内存和并发参数，必要时引入 MPP 或分布式查询引擎（如 Presto、ClickHouse）来提升吞吐。
- 【关键点 1】性能优化是一个系统工程，要结合数据模型、存储、查询、缓存和资源多方面综合考虑。
- 【关键点 2】数据模型层面，通过分层、汇总表和物化视图可显著减少计算量。
- 【关键点 3】存储层面，列式存储和分区裁剪是提升大数据量查询性能的关键手段。
- 【关键点 4】查询改写和谓词下推能有效降低扫描的数据量。
- 【关键点 5】缓存和预计算适用于读多写少的报表场景。
- 【易错点 1】不要盲目添加索引，过多索引会增加写入开销并可能降低查询性能。
- 【易错点 2】缓存数据可能因更新不及时导致报表数据不一致，需设置合理的失效策略。
- 【易错点 3】增加资源不一定线性提升性能，可能存在网络或锁竞争瓶颈，需先定位瓶颈。